将机动车从自主驾驶模式转换到手动驾驶模式的方法与流程

1.本发明涉及一种用于将机动车从自主驾驶模式转换到手动驾驶模式的方法，在该自主驾驶模式中机动车被自主引导，在该手动驾驶模式中机动车由车辆驾驶员引导，其中，该方法的特征在于，借助车辆驾驶员的认知模型求取用于支持该转换的信息，其中，认知模型描述车辆驾驶员关于行驶状况的至少一个感知过程，并且描述驾驶员关于行动选项的至少一个决定过程。此外，设置一种设置为用于实施所述方法的设备。


背景技术：

2.由现有技术例如已知，为了将机动车从自主驾驶模式转换到手动驾驶模式，使用接管要求，所述接管要求要求驾驶员根据预限定的条件在限定的时间段内进行接管。


技术实现要素：

3.然而，通过考虑状况特殊性，根据本发明的方法能够有利地优化在将机动车从自主驾驶模式转换到手动驾驶模式时的安全性。由此可以在转交期间实现警告策略的变型方案直至对自动驾驶功能的适配。
4.根据本发明，提出一种用于将机动车从自主驾驶模式转换到手动驾驶模式的方法，在该自主驾驶模式中机动车被自主引导，在该手动驾驶模式中机动车由车辆驾驶员引导，其中，借助车辆驾驶员的认知模型求取用于支持所述转换的信息，其中，认知模型描述车辆驾驶员关于行驶状况的至少一个认知过程，并且描述车辆驾驶员关于行动选项的至少一个决定过程。
5.这理解为，该方法在借助于模拟驾驶员关于特定行驶状况的信息处理过程的情况下支持由驾驶员实际接管驾驶任务。为此，该方法考虑借助驾驶员的认知模型求取的信息。借助认知模型来求取信息可以构型为单独的方法步骤。驾驶员的认知模型构型为使得能够映射并模拟驾驶员的感知以及检查驾驶员的决定。为此，认知模型包括至少两个区域：描述驾驶员的感觉过程以及描述驾驶员对行动选项的识别和评价。此外，决定行动的实施也可以一起包括在认知模型中。
6.因此，借助认知模型可以求取根据情况地和驾驶员单个地需要的为了能够实际接管驾驶任务所必需的时间。因此，求取驾驶员直至其能够实施有意识的且满足意愿的行动动作通常所需的时间。为此例如求取为感知和决定所需的时间。在此，求取驾驶员为检测环境条件和交通状况所需的时间。此外，求取驾驶员为限定可能的驾驶操作和评估在这种状况下有意义的驾驶操作所需的时间。可以使用借助认知模型求取的时间，以便优化行驶功能的转交过程。例如，将所估计的为接管的所需时间提供给辅助系统，该辅助系统实施自动化驾驶功能以及向驾驶员的转交。
7.辅助系统可以基于所传输的信息对被限定用于接管的时间进行匹配。有利地，辅助系统可以维持自动化驾驶模式(即自动化驾驶功能)，直到驾驶员(根据借助认知模型针对当前行驶状况所求取的时间)实际上准备好进行机动车的引导。此外，辅助系统可以对其
警告策略进行匹配。因此，例如早期的警告可以积极地在尽可能快地实现接管驾驶功能(即，手动驾驶模式)的能力方面支持严重分心的驾驶员。替代地或附加地，辅助系统也可以匹配自动化驾驶功能，由此能够实现从自动驾驶模式到手动驾驶模式的舒适过渡。有利地，为此可以逐步地实施向驾驶员的转交。也可以设想，使评估为最佳的驾驶操作选项可视化或者对行驶状况中的评价为重要的对象进行指示，以便使驾驶员快速地具有接管能力并且安全地接管驾驶功能。所述方法在该意义上不仅能够支持转换而且能够独立地实施机动车从自动驾驶模式到手动驾驶模式的转换。
8.在一种有利的实施方式中，该方法的特征在于，认知模型构造为用于全面地描述车辆驾驶员对驾驶功能的接管。
9.这理解为，认知模型能够实现驾驶员接管的整体模拟。这一方面可以理解为，模型全面地描述认知。这尤其包括对可能信息的处理。这例如包括感知、意识(或有意识)、决定(例如包括对替代方案的权衡)以及可能的机体运动(或行动)。在该意义上，应将驾驶员的接管与向驾驶员的转交明确地区分开。当然，目的是使转交和接管可能性相关联，其中，不仅能够延迟转交，而且能够支持接管可能性并且可能使其加速。行驶状况的感知有利地不仅涉及环境条件，而且涉及交通状况，尤其是另外的交通参与者，所述另外的交通参与者可能位于本机动车前方、旁边或后方。
10.此外，也可以设想，借助认知模型描述其他交通参与者的行为。在此，不仅可以模拟其可能的行动选项，而且可以求取执行这些行动所需的时间。这些信息可以提供给车辆驾驶员。替代地，在将自动驾驶功能转交给车辆驾驶员时可以考虑这些信息。
11.在一种可能的构型中，该方法的特征在于，认知模型描述多维决定，尤其地，认知模型在感知过程的范围内描述多个信息选项和/或在决定过程的范围内描述多个行动选项。
12.这理解为，认知模型构型为用于考虑多维决定。以有利的方式，也借助认知模型模拟多维决定并且在将机动车转换到手动模式时考虑这些结果。以有利的方式，信息选项在例如如图3或图4中所示的那样的所谓视觉模块中全面地被描述。行动选项在认知模型的决定过程中被描述。这些行动选项例如是向右车道变换、保持当前车道、向左车道变换(尤其是结合超车操作)。
13.在一种优选的实施方案中，该方法的特征在于，认知模型基于将人类信息处理结构模型化的认知架构，尤其是基于act-r架构。
14.这理解为，认知模型构型为用于模拟人类的控制结构。在此，模型有利地基于程序性架构。在此，在模型的范围内描述所谓的生产(produktion)中的思考和行动的流程。这种生产系统形成一个认知任务或一系列认知任务的认知信息处理模型。生产系统可以是多个认知架构的基础(例如，soar，epic，caps，act-r)。在此，以特别的方式表明，act-r架构对于将机动车从自动驾驶模式到手动驾驶模式的转变模型化是有利的。
15.在一种替代的扩展方案中，该方法的特征在于，认知模型构型为用于考虑不同的行驶状况。
[0016]“行驶状况”能够(如上所述)理解为特定的交通状况，即其他交通参与者相对于本机动车的存在以及位置和关系。此外，其中有利地纳入存在于特定状况下的环境条件，例如道路走向、车道数量等。
[0017]
在一种有利的构型中，该方法的特征在于，认知模型为了限定特定行驶状况考虑具有信息结构的信息，该信息结构匹配于车辆驾驶员的整体视野。信息的求取可以构型为单独的方法步骤。
[0018]
在本文中，“整体视野”理解为驾驶员的可能的视觉获知范围，例如包括眼睛运动且必要时包括头部运动。该整体视野与驾驶员的当前实际获知范围、即驾驶员视野不同。在此，借助以相应于驾驶员的可能整体视野的方式和方法映射数据和信息来描述特定的行驶状况。“信息结构”应当理解为：信息包括其实际内容(例如车辆)以及空间配属(例如沿行驶方向在本机动车前方)并且必要时包括其他信息细节(例如25m距离)。
[0019]
图3和图4示出关于两种行驶状况匹配于车辆驾驶员的整体视野的信息结构。在那里的图示可以构型为用于认知模型的图形用户界面。这种实施可以借助所谓的视觉模块进行。在此，相应的行驶状况以行驶情景的形式虚拟地(例如在驾驶员辅助系统的产品开发过程期间)拟定。借助视觉模块创建的信息以输入数据的形式被传送给认知模型并且在那里相应地被模拟。替代于这种静态模拟，动态模拟也是可能的。在此，例如借助传感器系统记录实际行驶运行中存在的行驶状况。这些数据被整理并动态地传输到视觉模块中。随后，这些数据重新作为输入数据被传送给认知模型并且在那里(基本上实时地)被模拟。替代于或附加于所描述的视觉模块，信息结构也可以纯数字地被描述。
[0020]
在一种可能的实施方案中，该方法的特征在于，匹配于车辆驾驶员的整体视野的信息结构包括不同认知评价的区域。
[0021]
此外，前述信息结构也可以包含例如相应信息的相对权重和/或评价。例如，在整体视野中限定的感兴趣区域(area of interest)可以具有不同的相关性。为了定义相应的相关性，例如可以考虑seev理论(salience，effort，expectancy，value，显著性，努力，期望，价值)。相应的相关性可以被添加给对应的信息。
[0022]
在一种优选的扩展方案中，该方法的特征在于，在考虑车辆的关于当前行驶状况的传感器数据的情况下求取匹配于车辆驾驶员的整体视野的信息结构。
[0023]
这理解为，在考虑当前存在的行驶状况的情况下借助认知模型进行动态模拟。也就是说，在认知模型中不是模拟预限定的可能场景，而是为此使用实际存在的真实行驶状况。为此，例如调用并考虑借助机动车的环境传感器(尤其借助前部摄像机)求取的数据。例如将视觉模块与环境传感器的数据耦合。也就是说，直接向视觉模块馈送所求取的环境数据。有利地，认知模型可以考虑通过视觉模块准备的数据用于模拟。甚至可以以有利的方式进行认知模型的动态匹配。
[0024]
在一个替代的实施方式中，该方法的特征在于，认知模型构型为用于考虑驾驶员特定的差异。
[0025]
这理解为，认知模型也可以考虑不同驾驶员之间的单个差异。替代地或附加地，认知模型也可以考虑驾驶员的状况差异，例如取决于清醒度或当日状态(tagesform)的不同注意力。这种适配可以基于存储的驾驶员模型或对先前手动驾驶操作的分析来进行。可以通过考虑特定因素、设定参数拟合或者匹配例如针对感兴趣区域的seev评价来进行实施。
[0026]
在一种可能的实施方式中，该方法的特征在于，在感知过程的范围内，认知模型在第一感知步骤中描述由车辆驾驶员感知接管要求，并且在第二感知步骤中描述由车辆驾驶员感知沿行驶方向在机动车前方的行驶状况，并且在第三感知步骤中描述由车辆驾驶员感
知沿行驶方向关于机动车而言在右侧的行驶状况。在一个有利的替代方案中，在感知步骤中可以描述由车辆驾驶员感知沿行驶方向相对于机动车在左侧的行驶状况。
[0027]
在一种优选的构型中，该方法的特征在于，认知模型描述在感知接管要求之后立即进行的驾驶员反应。
[0028]
作为车辆驾驶员的可能单个反应的示例举出：车辆驾驶员在感知接管要求之后立即操纵机动车的制动器。这种反应可能在车辆驾驶员没有(完全)感知行驶状况的情况下自发地、例如在恐慌中进行。除了制动之外，作为反应也可以进行加速或突然的车道变换。
[0029]
在一种替代的实施方式中，该方法的特征在于，认知模型在决定过程开始之前描述所感知信息的概括。
[0030]
由此理解为，总是以各个所感知方面的概括作为常规感知过程的结束。因此，驾驶员再次归纳所有收集到的信息，以便之后开始进入决定过程。
[0031]
在一个有利的扩展方案中，该方法的特征在于，在决定过程的范围内，认知模型在第一决定步骤中描述车辆驾驶员针对车道变换到右车道的决定评估，并且在第二决定步骤中描述车辆驾驶员针对保持当前车道的决定评估，并且在第三决定步骤中描述车辆驾驶员针对车道变换到左车道的决定评估。在此描述遵循所述顺序的决定等级。
[0032]
该方法例如可以以软件或硬件或以由软件和硬件组成的混合形式例如在控制设备中实现。
[0033]
在此提出的方案还提供一种设备，该设备构造为用于在相应的装置中执行、操控或实施在此提出的方法的变型方案的步骤。通过本发明的设备形式的实施变型方案也可以快速且有效地解决本发明所基于的任务。
[0034]
在此，“设备”可以理解为处理传感器信号并且据此输出控制和/或数据信号的电器具。该设备可以具有接口，该接口可以按照硬件和/或软件来构造。在按照硬件构造的情况下，接口例如可以是所谓的系统asic的一部分，其包含设备的各种不同的功能。然而也可能的是，接口是自身的集成电路或者至少部分地由分立构件组成。在按照软件构造的情况下，接口可以是软件模块，其例如和其他软件模块并立地存在于微控制器上。因此，用于实施自主车辆引导和/或将车辆引导转交给驾驶员的驾驶员辅助系统可以算作设备。此外，用于求取相关数据的传感器系统也用作设备。此外，用于驾驶员辅助系统的或用于机动车的传感器系统的或用于实施认知模型的控制设备也可以视为设备。
[0035]
也是有利的是具有程序代码的计算机程序产品或计算机程序，所述程序代码可以存储在机器可读的载体或存储介质上，例如半导体存储器、硬盘存储器或光学存储器，并且尤其是当所述程序产品或程序在计算机或设备上实施时，所述程序代码用于执行、实施和/或操控根据前述实施方式之一所述的方法的步骤。
[0036]
应当指出的是，在说明书中单个列出的特征可以以任意技术上有意义的方式彼此组合并且指明本发明的其他构型。本发明的其它特征和实用性由借助附图对实施例的说明得出。
附图说明
[0037]
附图中示出：
[0038]
图1借助认知模型描述的方法步骤的图示；和
[0039]
图2借助认知模型描述的方法步骤的另一图示；和
[0040]
图3匹配于车辆驾驶员的整体视野的、关于第一行驶状况的信息结构；和
[0041]
图4匹配于车辆驾驶员的整体视野的、关于第二行驶状况的信息结构。
具体实施方式
[0042]
图1示出了方法步骤的图示，这些方法步骤借助车辆驾驶员在从自动驾驶模式接管车辆引导时的认知模型来描述。方法步骤也称为生产。其间的箭头表示可能的步骤顺序。图1在此描述认知模型的粗略结构。
[0043]
p1描述由车辆驾驶员感知接管要求。ir描述一种可能的自动化的单个反应。作为示例举出：车辆驾驶员立即操纵机动车的制动器。例如，在没有(完全)感知行驶状况的情况下，立刻对所识别的接管要求做出这种反应。p2描述由车辆驾驶员感知在空间上在本机动车前方的行驶状况。尤其地，环境条件以及交通状况可以被理解为“行驶状况”。p3描述感知沿行驶方向在本机动车右侧的行驶状况。关系“车辆右侧”由如下情况得出：由于法律规定(以及与此相关的习惯)，车辆驾驶员试图满足右侧行驶规定(rechtsfahrgebot)。对于存在左侧行驶规定(linksfahrgebot)的国家，该模型通过p3相应类似地描述沿行驶方向在本机动车左侧的行驶状况。在p3之后接着是以p3_id标记的可能的单个决定。例如可以做出决定：(附加地)观察右侧车窗、观察右侧后视镜和/或实施向右扭头观察。p_sum描述所感知信息的概括。感知过程可以全部或部分地多次执行。在p_sum之后接着开始决定过程。d1在此描述针对向右车道变换的决定选项。在针对向右车道变换做出肯定性决定的情况下，接着，id1描述进一步的单个决定，这些单个决定支持实际实施车道变换。如果没有针对向右车道变换做出肯定性决定，则借助d2描述针对保持当前车道的决定选项。如果对此做出肯定决定，则以p2继续感知在本机动车前方的行驶状况。如果针对保持当前车道没有做出肯定决定，则借助d3描述针对向左车道变换的决定选项。在针对向左车道变换做出肯定决定的情况下，接着，id3描述进一步的单个决定，这些单个决定支持实际实施车道变换。
[0044]
图2示出方法步骤的另一图示，这些方法步骤借助车辆驾驶员在从自动驾驶模式接管车辆引导时的认知模型来描述。图2在此描述认知模型的详细结构。
[0045]
p1a描述初始状况，尤其描述车辆驾驶员实施非驾驶相关的任务(英文：non-driving-related-task)。p1b还描述驾驶员的运动反应，例如抓握车辆方向盘。p1c描述驾驶任务的接管。p1d接着描述车辆驾驶员关注在空间上在本机动车前方的区域。如已经针对图1所描述的那样，ir描述可能的单个反应，其中，现在ira描述制动的实施以及irb描述加速操作的实施。p2进一步描述对在空间上在机动车前方的行驶状况的感知。p2a在此描述感知到没有另外的车辆位于本机动车前方。当没有车辆位于本机动车前方时，车辆驾驶员关注本机动车的右侧。p3a在此描述感知到没有车辆位于本机动车右侧。而p3b描述感知到有车辆在那里。
[0046]
p2b描述感知到有另外的车辆位于本机动车前方。在这种情况下进行p_sum作为下一步骤。然而，如果该车辆与本机动车之间的间距保持同样大或变大，则借助p3_id做出单个决定：同样检查向右车道变换。如上所述，接着是p3a或p3b。
[0047]
在随后的决定过程中，如已针对图1所解释的那样，基本上描述三个决定可能性：d1向右车道变换、d2保持当前车道、d3向左车道变换。
[0048]
在此，d1a描述针对向右车道变换的决定选项。由于右侧行车规定，首先检查该决定选项。当然，前提是，在感知过程中借助p3b在右侧没有识别到车辆(r＝no)。一旦针对向右车道变换做出肯定决定，就准备好进行该驾驶操作。为此，该程序描述三种行为方式，以便确保实际上没有车辆在目标车道上位于本机动车旁边或后方。在此，例如id1a描述关于“在右侧后视镜中求得没有车辆”的决定。而id1b描述“在右侧后视镜中求得有车辆”的决定。id1c描述“在右侧后视镜中求得没有车辆并且向右扭头观察”的决定。id1c1在此描述“借助向右扭头观察也求得没有车辆”。而id1c2描述“借助向右扭头观察求得有车辆”。id1d描述“仅向右扭头观察，其中，借助该扭头观察求得没有车辆”的决定。id1e描述“仅向右扭头观察，其中，借助该扭头观察求得有车辆”的决定。在该意义上，步骤id1a至id1e是替代方案。然而要注意的是，也可以多次执行该决定步骤。在此，如果在目标车道上辨识到有车辆，则中断决定并且检查替代的决定选项。如果在目标车道上辨识到没有车辆，则确认该决定并实施车道变换。
[0049]
然而，如果在感知过程的范围内求得“没有车辆在空间上位于本机动车前方，然而有车辆存在于右侧行车道上(r＝y，f＝no)”，则借助d2a做出“保持当前的车道”的决定。
[0050]
如果在识别过程的范围内求得“有车辆在空间上位于本机动车前方”，则分析两个车辆之间的间距。如果间距保持相同大或者间距增大(f＝y、&d2》＝d1)，则借助p3_id检查向右车道变换(如上所述)。
[0051]
如果向右车道变换是可能的，则实施根据d1a的该决定选项。
[0052]
如果向右车道变换是不可能(即在该车道上已感知到有车辆)，则借助d2b描述“保持当前车道”的决定。这当然还以如下为前提：本机动车与在空间上位于该本机动车前方的车辆之间的间距保持同样大或增大(r＝y，f＝y&d2》＝d1)。
[0053]
id2a描述对所感知的行驶状况的更新以及对决定“保持当前的车道”的检验。为此，车辆驾驶员又转向前方。
[0054]
如果求得“有车辆位于右车道上以及同样有车辆在空间上位于本机动车前方，并且本机动车与在空间上位于本机动车前方的车辆之间的间距减小(r＝y，f＝y，d2＜d1)”，则借助d3检查针对向左车道变换的决定选项。为此，该方案描述三个行动选项：d3a描述在相同速度的情况下向左车道变换；d3b描述在速度减小的情况下向左车道变换；d3c描述在速度提高的情况下向左车道变换。
[0055]
此外，该程序描述三种行为方式，以便确保实际上没有车辆在目标车道上位于本机动车旁边或后方。在此，例如id3a描述关于“在左侧后视镜中求得没有车辆”的决定。而id3b描述“在左侧后视镜中求得有车辆”的决定。id3c描述“在左侧后视镜中求得没有车辆并且向左扭头观察”的决定。id3c1在此描述“借助向左扭头观察也求得没有车辆”。而id3c2描述“借助向左扭头观察求得有车辆”。id3d描述“仅向左扭头观察，其中，借助该扭头观察求得没有车辆”的决定。id3e描述“仅向左扭头观察，其中，借助该扭头观察求得有车辆”的决定。在该意义上，步骤id3a至id3e是替代方案。然而要注意的是，也可以多次执行该决定步骤。在此，如果在目标车道上辨识到有车辆，则中断决定并且检查替代的决定选项。如果在目标车道中辨识到没有车辆，则确认该决定并实施车道变换。
[0056]
图3示出匹配于车辆驾驶员的整体视野的、关于第一行驶状况的信息结构。所示出的图示可以构型为用于认知模型的图形用户界面。这种实施可以借助所谓的视觉模块进
行。
[0057]
在此，图3示出机动车1的驾驶员的可能的整体视野2。整体视野2包括汽车1的内部空间的一些部分，例如挡风玻璃3、a柱4、后视镜6、左侧和右侧窗7、中央通道显示器8、仪表显示器9。此外，整体视野2还包括行驶状况20的元素，例如空间上相对于机动车1向前指向的车道，例如左侧车道21a、中间车道21b和右侧车道21c，以及车道上的可能交通参与者22，例如另外的车辆。此外，另外的交通参与者22a的镜像图像也可以位于整体视野内，例如借助侧视镜7或后视镜6。此外，在示图中标记了相应地相关的感兴趣区域33(英文：area of interest)。这些感兴趣区域可以具有不同的相关性(并且因此例如具有不同的权重)。为了限定相应的相关性，例如可以考虑seev理论(salience，effort，expectancy，value，显著性，努力，期望，价值)。
[0058]
此外，机动车1包括控制设备10、传感器系统11(例如摄像机)以及驾驶员辅助系统12(例如高度自动化驾驶功能，具有在所限定的行驶状况下将驾驶任务转交给驾驶员的转交功能)。图3示出了这种对车辆驾驶员的接管要求。车辆驾驶员当前正从事非驾驶相关的任务30，例如与中央通道显示器8的交互作用。实际的驾驶员视野33相应地聚焦到该区域上。在这种状况下，例如结合仪表显示器中的可视提示以及声音提示来进行接管要求31。
[0059]
图4示出匹配于车辆驾驶员的整体视野的、关于第二行驶状况的信息结构。对此尤其参考针对图3的解释。与此不同地，车辆驾驶员现在没有从事非驾驶相关的任务。而是，车辆驾驶员关注在空间上位于其前方的行驶状况。实际的驾驶员视野33相应地包括在其前方的车道中的另外的交通参与者22。现在，借助认知模型例如可以模拟对行驶状况的感知和/或车辆驾驶员的决定过程。